Pašlaik globālā ražošanas nozare piedzīvo kritisku posmu pārejā no automatizācijas uz kognitīvām tehnoloģijām. Šajā procesā viedā šķirošanas tehnoloģija attīstās no vienkārša kvalitātes kontroles rīka uz vienīgo galveno uztveres mezglu nozares ķēdē, kas var nepārtraukti un nesagraujoši iegūt visaptverošus datus par materiālu fizikālajām un ķīmiskajām īpašībām. Šīs transformācijas būtība ir šķirošanas iekārtu pāreja no "izpildes termināļa" uz "datu vākšanas un analīzes termināli", un, pamatojoties uz to, tiek veidots zināšanu dzinējs, kas virza visas nozares ķēdes optimizāciju un inovācijas.
1, datu dimensijas revolūcija: no izskata skenēšanas līdz hologrāfiskai digitālajai dvīņu konstrukcijai
RGB attēla informācija, uz kuru balstās tradicionālā šķirošana, ir tikai materiālu digitālo funkciju aisberga redzamā daļa. Nākamās paaudzes sistēma ir veidota ar "Materiālu hologrāfisko digitālo dvīņu arhīvu", kas būtiski paplašina tās datu dimensijas:
Fizisko īpašumu datu savstarpēja mēroga saplūšana: sistēma sinhroni apkopo vairāku{0} mēroga datus no makro līdz mikrolīmeņiem. Tostarp: milimetru līmeņa 3D ģeometriskās formas (tilpums, izliekums, virsmas defektu dziļums), mikrometru līmeņa virsmas faktūras un spīdums (ar makropolarizētās gaismas attēlveidošanu) un nanometru līmeņa materiāla molekulu spektrālie pirkstu nospiedumi (izmantojot hiperspektrālo/tuvu{3}}infrasarkano staru). Piemēram, kviešu graudu digitālajā arhīvā var iekļaut graudu veida integritāti (ietekmē miltu ražu), virsmas bojājuma pakāpi (saistīta ar uzglabāšanas stabilitāti) un iekšējo olbaltumvielu un mitruma sadalījumu (nosaka apstrādes kvalitāti). Šie dati kopā veido pilnīgu pamatu, lai novērtētu to galīgo pielietojumu, piemēram, augstas kvalitātes maizes miltus vai barību.
Laika dinamiskā datu plūsma: mūsdienu šķirošanas sistēmas ne tikai izvada atsevišķus šķirošanas rezultātus, bet arī ģenerē nepārtrauktas materiāla kvalitātes laika datu plūsmas. Analizējot izejvielu datu novirzes modeļus dažādās ražošanas partijās, ražas novākšanas periodos un uzglabāšanas apstākļos, sistēma var izveidot paredzamo modeli. Piemēram, uzraugot, vai kafijas pupiņu mitruma satura spektrālie raksturlielumi konkrētā ražošanas apgabalā pakāpeniski tuvojas pelējuma augšanas slieksnim, var jau laikus brīdināt uzglabāšanas riskus un pielāgot apstrādes prioritātes, panākot pāreju no “pēcizņemšanas” uz “pirmsprofilakses” kvalitātes kontroles režīmu.
Saistītie procesa dati: iekārtas statusa dati (piemēram, vibrācija, temperatūra, gaisa spiediens) un šķirošanas efekta dati (noraidīšanas ātrums, izņemšanas koeficients) ir cieši saistīti un analizēti. Tas ne tikai nodrošina paredzamo apkopi, bet arī nodrošina mehāniskās un pneimatiskās konstrukcijas reverso optimizāciju. Inženieri var atkārtot jaunās paaudzes iekārtu fizisko struktūru un izveidot "datu -vadītu pētniecības un izstrādes" cilpu, analizējot, "kurš vibrācijas režīms izraisa noteikta izmēra pupiņu šķirošanas precizitātes samazināšanos".
2, Lēmuma cilpas dimensiju uzlabošana: no "bojātu produktu likvidēšanas" līdz "visa procesa optimizēšanai"
Pamatojoties uz iepriekš minētajiem daudzdimensiju datiem, viedās šķirošanas lēmumu kategorija ir sasniegusi divus galvenos paplašinājumus:
Sadarbība uz priekšu piegādes ķēdē: datu šķirošana kļūst par "navigatoru", kas vada lauksaimniecības un kalnrūpniecības darbības. Lauksaimniecības jomā, veicot spektrālo atpakaļsekošanas analīzi galīgi šķirotajām augstas-kvalitatīvajām un zemas{2}}kvalitatīvajām kultūrām, ir iespējams precīzi noteikt stādīšanas faktorus, kas izraisa kvalitātes atšķirības, piemēram, mikroelementu trūkumus un nevienmērīgu apūdeņošanu konkrētos lauciņos. Šos datus var atgriezt saimniecībā, lai vadītu precīzu mēslojumu un lauka apsaimniekošanu. Ieguves rūpniecībā neapstrādātas rūdas agrīnas šķirošanas dati var tieši vadīt ieguves virsmu izvēli un spridzināšanas plānu optimizāciju, samazinot atkritumiežu sajaukšanos no avota un uzlabojot resursu izmantošanas efektivitāti.
Adaptīva elastīga apstrādes ceļa plānošana: elastīgās ražošanas vienībās viedajām šķirošanas mašīnām ir "materiālu maršrutēšanas smadzeņu" loma. Tā reāllaikā atpazīst katras mazākās apstrādes vienības (piemēram, pupiņas vai fragmenta) īpašības un dinamiski piešķir tai piemērotus turpmākās apstrādes ceļus. Piemēram, riekstu apstrādes līnijā sistēma katru mandeli novirza uz "Visgraudu augstākās kvalitātes iepakojumu", "Sagriešanas ražošanas līniju" vai "Mērces malšanas kanālu", pamatojoties uz tās izmēru, kuplumu un nelielu defektu atrašanās vietu, tādējādi sasniedzot maksimālo kopējo produkcijas vērtību. Tas prasa, lai šķirošanas sistēma sasniegtu milisekundes līmeņa datu apmaiņu un komandu koordināciju ar robotiem, AGV un MES sistēmām.
3. Zināšanu uzkrāšana un atkārtota izmantošana: nozarei specifiskas "nozares zināšanu diagrammas" izveide
Datu galvenā vērtība slēpjas atkārtoti izmantojamu zināšanu uzkrāšanā. Vadošie krāsu atlases tehnoloģiju nodrošinātāji ir apņēmušies izveidot "nozares zināšanu grafiku" vertikālajām nozarēm:
Defektu cēloņu zināšanu bāze: sistēma ne tikai reģistrē, "kas" ir defekti, bet arī secina, "kāpēc" defekts radās, izmantojot daudzdimensiju datu asociācijas analīzi. Piemēram, saistīt godži ogu specifisko pelējuma spektrālo modeli ar vēsturiskiem laikapstākļu datiem (ražas sezonas nokrišņiem) ražošanas apgabalā un riekstu specifiskās poru morfoloģijas saskaņošanu ar uzglabāto kaitēkļu sugu datubāzi. Šo cēloņsakarību uzkrāšanās ir veidojusi zināšanu aktīvus kopīgu problēmu risināšanai nozarē.
Procesa kvalitātes prognozēšanas modelis: izmantojot mašīnmācīšanos, lai ģenerētu milzīgu datu apjomu, izveidojiet prognozēšanas modeli parametru (piemēram, žāvēšanas temperatūras, pulēšanas laika) apstrādei līdz galīgajiem šķirošanas rezultātiem. Klienti var simulēt un pielāgot procesa parametrus virtuālajā vidē, prognozēt to ietekmi uz gala ražu un kvalitātes līmeni un atrast optimālo risinājumu pirms faktiskās ražošanas, būtiski samazinot izmēģinājumu un kļūdu izmaksas.
Atvērta zināšanu sadarbības ekosistēma: zināšanu grafiki nav slēgtas sistēmas. Pamatojoties uz datu privātuma nodrošināšanu (izmantojot tādas tehnoloģijas kā apvienotā apmācība un diferenciālā privātums), dažādi uzņēmumi un pētniecības iestādes var sniegt datu fragmentus, pārbaudīt hipotēzes un koplietot modeļu uzlabojumus uzticamā platformā, kopīgi paātrinot konkrētu materiālu (piemēram, jaunu sintētisko materiālu un apdraudēto ārstniecības augu) izpratni un šķirošanas tehnoloģiju attīstību visā nozarē.
4, nākotnes forma: kā standartizēts industriālā interneta uztveres terminālis
Raugoties uz nākotni, augsti standartizēts un inteliģents šķirošanas modulis kļūs par neaizstājamu infrastruktūru dažādām "industriālā interneta" platformām. Tas ir kā inteliģents sensors lietiskajā internetā, taču tā uztverošie objekti pastāvīgi-maina fiziskos materiālus. Neatkarīgi no tā, vai to izmanto pārtikas rūpnīcās, farmācijas rūpnīcās, otrreizējās pārstrādes stacijās vai kosmosa bāzēs, tas var pārvērst fiziskās pasaules materiālu plūsmu standartizētās augstas kvalitātes-datu plūsmās reāllaikā un apvienot tās plašākā rūpnieciskā datu ezerā.
Secinājums: galīgā konkurences robeža
Šajā brīdī ir skaidri parādītas krāsu šķirošanas mašīnu nozares konkurences dimensijas: sākotnējā konkurence par aparatūras veiktspēju un šķirošanas precizitāti; Vidēja līmeņa konkurētspējīgu algoritmu iespējas un risinājumi; Augsta līmeņa konkurence slēpjas nozares zināšanu ieguves dziļumā, datu ekosistēmas izveides plašumā un spējā pārveidot datus klientu stratēģiskajos aktīvos. Nākotnes līderi neizbēgami būs tie uzņēmumi, kas šķirošanas procesā ģenerētos datus var precizēt augstas-tīrības "zināšanu degvielā", kas veicina izmaksu samazināšanu, efektivitātes uzlabošanu un inovācijas visā nozares ķēdē. Viedā šķirošana nosaka ne tikai materiālu tīrību, bet arī rūpnieciskās inteliģences dziļumu un robežas.